论文部分内容阅读
背景:皮肤黑素瘤是起源于黑色素细胞的最常见恶性肿瘤之一,在中国人群中发病率呈现出持续增长的趋势。黑素瘤的早期准确诊断对指导临床治疗及预后有着其重要的意义。这一过程需要有丰富经验的病理医生,很耗时而且容易出错。然而内病理医生缺口很大,培养一位经验丰富的病理医生周期又很长,导致对黑素细胞源良恶性肿瘤的快速、准确诊断往往无法实现。随着深度学习算法在图像分类以及像识别领域取得突破性进展。将深度学习应用于全视野数字化病理切片图像(who slide pathological images,WSIs)可以提高诊断的准确性和工作效率。目的:评价深度学习算法鉴别黑素细胞来源良恶性肿瘤WSI图像的能力。方法:收集三个皮肤病理中心753例黑素细胞来源肿瘤(114例黑素瘤,639色素痣)。3位皮肤病理医生(≥20年皮肤病理诊断经验)分别独立根据黑素细胞来肿瘤病理学评估和治疗分级标准(MPATH-Dx)把753个病例分成5类,对分类不全一致病例,根据Modified Delphi法达成共识。MPATH-Dx1至2类归类为色素痣MPATH-Dx 3至5类归类为黑素瘤。采用随机分层抽样的方法把753例黑素细胞源肿瘤分为训练集(649张WSI图像,其中85例黑素瘤,564例色素痣)和测试:(104张WSI图像,其中29例黑素瘤,75例色素痣)。深度学习算法采用DenseNetl架构,在ImageNet数据集进行模型预训练,并使用训练集649张WSI图像进行模微调。基于深度学习算法的识别模型在测试集104张WSI图像验证对黑素瘤及色:痣的分类能力,同时与7名病理医生的诊断水平做比较。结果:7名病理医生在没有临床资料的条件下独立对测试集中104张WSI图像行分类。7名病理医生对黑素细胞来源良恶性肿瘤分类的平均敏感性(sensitivity)特异性(specificity)分别为 85.2%(±3.8%)和 95.6%(±1.5%)。转化为平均 AUC(are under the receiver operating characteristic curve)为 0.90(±0.22)。在同一敏感性](85.2%),基于深度学习算法的识别模型的特异性和7位病理医生的平均特异性没有明显差异(96.0%vs.95.6%,P=0.52);在同一特异性下(95.6%),基于深度学习算法的识别模型的敏感性要高于7位医生的平均敏感性(93.1%vs.85.2%,P<0.01);而且基于深度学习算法的识别模型AUC(0.97)要大于7位病理医生的平均AUC(0.97 vs.0.90,P<0.01)。我们还通过深度学习网络在WSI图像中识别的黑素瘤区域,提供了更透明和可解释的诊断(深度学习网络输出的黑素瘤预测概率热图)。同时,深度学习网络预测的黑素瘤区域与医生手工标注的黑素瘤区域Jaccard相似系数为77.78%,意味着该系统能够正确识别WSI图像中大部分黑素瘤区域。结论:基于深度学习算法的识别模型可以作为一种辅助诊断工具提高黑素细胞来源肿瘤WSI图像中黑素瘤的检出概率,但是这种方法的临床实用性还需要前瞻性的研究进行评估。